深度学习 | 训练网络trick—

1.mixup原理介绍

mixup 论文地址

mixup是一种非常规的数据增强方法，一个和数据无关的简单数据增强原则，其以线性插值的方式来构建新的训练样本和标签。最终对标签的处理如下公式所示，这很简单但对于增强策略来说又很不一般。

，两个数据对是原始数据集中的训练样本对（训练样本和其对应的标签）。其中是一个服从B分布的参数,

。Beta分布的概率密度函数如下图所示，其中

因此，α 是一个超参数，随着α的增大，网络的训练误差就会增加，而其泛化能力会随之增强。而当 α→∞ 时，模型就会退化成最原始的训练策略。

2.mixup的代码实现

如下代码所示，实现mixup数据增强很简单，其实我个人认为这就是一种抑制过拟合的策略，增加了一些扰动，从而提升了模型的泛化能力。

def get_batch(x, y, step, batch_size, alpha=0.2):

    """

    get batch data

    :param x: training data

    :param y: one-hot label

    :param step: step

    :param batch_size: batch size

    :param alpha: hyper-parameter α, default as 0.2

    :return:

    """

    candidates_data, candidates_label = x, y

    offset = (step * batch_size) % (candidates_data.shape[0] - batch_size)

    # get batch data

    train_features_batch = candidates_data[offset:(offset + batch_size)]

    train_labels_batch = candidates_label[offset:(offset + batch_size)]

    # 最原始的训练方式

    if alpha == 0:

        return train_features_batch, train_labels_batch

    # mixup增强后的训练方式

    if alpha > 0:

        weight = np.random.beta(alpha, alpha, batch_size)

        x_weight = weight.reshape(batch_size, 1, 1, 1)

        y_weight = weight.reshape(batch_size, 1)

        index = np.random.permutation(batch_size)

        x1, x2 = train_features_batch, train_features_batch[index]

        x = x1 * x_weight + x2 * (1 - x_weight)

        y1, y2 = train_labels_batch, train_labels_batch[index]

        y = y1 * y_weight + y2 * (1 - y_weight)

        return x, y

3.mixup增强效果展示

import matplotlib.pyplot as plt

import matplotlib.image as Image

import numpy as np

im1 = Image.imread(r"C:\Users\Daisy\Desktop\1\xyjy.png")

im2 = Image.imread(r"C:\Users\Daisy\Desktop\1\xyjy2.png")

for i in range(1,10):

    lam= i*0.1

    im_mixup = (im1*lam+im2*(1-lam))

    plt.subplot(3,3,i)

    plt.imshow(im_mixup)

plt.show()

————————————————————

后来又发现一篇好文：https://www.zhihu.com/question/308572298?sort=created

巴特西

深度学习 | 训练网络trick——mixup

1.mixup原理介绍

2.mixup的代码实现

3.mixup增强效果展示

最新文章

热门文章